Nous aidons les organisations à anonymiser et à partager des données sensibles avec des méthodes que vous pourrez défendre devant une autorité de contrôle.
Conseil méthodologique et évaluation du risque de divulgation pour les microdonnées, les registres et les données longitudinales. Nous classons vos variables (identifiants directs, quasi-identifiants, attributs sensibles), définissons le scénario de divulgation et le mode de partage, mesurons le risque de ré-identification par enregistrement et appliquons des méthodes ciblées — généralisation, suppression locale, PRAM, micro-agrégation, swapping, bruit — ajustées à un objectif d'utilité.
Vous recevez : un jeu de données anonymisé ainsi qu'un rapport défendable — méthodes, paramètres, risque résiduel et utilité conservée — qui résiste à l'examen d'une autorité de contrôle ou d'un évaluateur.
Génération et validation de jeux de données synthétiques qui préservent l'utilité statistique tout en rompant les liens un à un avec des individus réels. Nous construisons des modèles de synthèse (p. ex. avec simPop, synthpop, des GANs et d'autres, ou des solutions sur mesure), puis évaluons les deux facettes du compromis — la fidélité (distributions, corrélations, performance des modèles) et le risque de divulgation (divulgation d'attribut/d'identité) — avec nos propres outils ouverts riskutility.
Idéal lorsque vous devez partager largement des données, construire des pipelines ou entraîner des modèles sans exposer les personnes derrière les enregistrements.
Examen indépendant d'un pipeline d'anonymisation ou de données synthétiques existant. Nous mesurons à nouveau le risque de divulgation sous des hypothèses d'attaquant réalistes, vérifions si les méthodes correspondent au mode de partage et identifions où l'utilité est perdue inutilement.
Vous recevez : un second avis écrit assorti de conclusions concrètes et hiérarchisées — utile avant une publication, un audit ou un examen par un bailleur de fonds ou une autorité de contrôle.
What we didOur flagship project: privacy-preserving methods for event and longitudinal data — masking trajectories, protecting event histories, and pushing re-identification-risk assessment beyond k-anonymity.
ImpactOpen, reproducible tools that let organisations analyse and share data following the same people over time, with quantified risk.
What we didA risk-based anonymization and pseudonymization strategy under the EU GDPR/EDPB framework — starting from a formal disclosure-risk assessment and testing identity, attribute and inference disclosure, not k-anonymity alone.
ImpactA defensible route to sharing and using data: anonymization where the data allows, optimized pseudonymization where analytical utility requires.
SBB What we didHousehold-level anonymization and geographic protection of SBB's 9-million-person Synthetic Population (SynPop), with a formal disclosure-risk assessment for a differentiated data-release policy.
ImpactIndividual-level population data that can be shared and used safely in agent-based transport models — not the current all-or-nothing.
Un premier échange est gratuit, confidentiel et généralement éclairant.
